Meta learning approaches for few-shot semantic segmentation with sparse labels

• Ano de defesa: 2021
• Autor(a) principal: Pedro Henrique Targino Gama
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Computing; Computer Vision; Machine Learning; Deep Learning; Meta Learning; Computação – Teses; Visão por computador – Teses; Aprendizagem de máquina – Teses; Aprendizado profundo – Teses; Meta-aprendizado – Teses
• Link de acesso: http://hdl.handle.net/1843/58285; https://orcid.org/0000-0002-9802-593X

Segmentação Semântica é uma tarefa clássica de visão computacional que tem múltiplas aplicações em diversas áreas, desde de segmentação de órgãos para estudos clínicos por imagem, contagem de objetos em linha de produção, até a estimativa de tamanho de áreas de desmatamento. Entretanto, o tipo de rotulação de dados necessária para os métodos atuais resolverem o problema é laboriosa de se produzir, uma vez que é necessário determinar os rótulos de todos os pixels da imagem. Isso costuma aumentar o custo (humano e/ou monetário) de construção de novos conjuntos de dados. Duas formas possíveis de se reduzir esse custo são: 1) diminuindo o número de imagens anotadas; 2) usando um formato de anotação mais simples/esparsa. Porém, os métodos comuns e mais atuais, de deep learning, para segmentação semântica não funcionam bem usando uma, ou duas, dessas soluções. Neste trabalho propomos dois métodos de meta learning para segmentação semântica em cenários few-shot com rotulação esparsa. Essas abordagens foram baseadas em dois métodos existentes para classificação: Model-Agnostic Meta-Learning (MAML) e Prototypical Networks. As nossas abordagens foram testadas em diversos cenários da área médica e sensoriamento remoto, que normalmente tem uma limitação de aquisição de dados, e obtiveram resultados competitivos em diferentes tarefas.